Методы и алгоритмы интеллектуальной поддержки принятия решений в задачах выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Бурлаченко, Татьяна Борисовна

• Бурлаченко, Татьяна Борисовна
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Бурлаченко, Татьяна Борисовна

СОДЕРЖАНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ И ОБЗОР МЕТОДОВ ИССЛЕДОВАНИЯ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ.

1.1. ТЕХНИЧЕСКОЕ ДИАГНОСТИРОВАНИЕ СИСТЕМ.

1.2. ОБЗОР МЕТОДОВ ЛОГИЧЕСКОГО ВЫВОДА.

1.2.1. Стратегия обучения по инструкциям.

1.2.2. Аналитическое обучение.

1.2.3. Стратегия обучения по аналогии.

1.2.4. Обучение, основанное на индуктивном вывода.

1.3. ФОРМАЛЬНЫЙ КОЦЕПТУАЛЬНЫЙ АНАЛИЗ.

1.4. АБДУКТИВНЫЙ ВЫВОД.

1.5. НЕОБХОДИМОСТЬ РАЗРАБОТКИ МЕТОДОВ АБДУКТИВНЫХ РАССУЖДЕНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

1.6. МАШИННОЕ ОБУЧЕНИЕ.

1.7. ПОСТАНОВКА ЗАДАЧИ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ

С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

1.8. ВЫВОДЫ.

ГЛАВА 2. АЛГОРИТМЫ РАБОТЫ НЕЙРОННОЙ СЕТИ ПРИ РЕШЕНИИ ЗАДАЧИ АБДУКЦИИ.

2.1. ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ АБДУКТИВНОГО ВЫВОДА.

2.2. МЕТОДИКА ФУНКЦИОНИРОВАНИЯ ДВУХСЛОЙНОЙ НЕЙРОННОЙ МОДЕЛИ ПРИ РЕШЕНИИ ЗАДАЧИ АБДУКЦИИ.

2.3. МЕТОДИКА ФУНКЦИОНИРОВАНИЯ ТРЕХСЛОЙНОЙ НЕЙРОННОЙ МОДЕЛИ ПРИ РЕШЕНИИ ЗАДАЧИ АБДУКЦИИ.

2.4. АПРОБАЦИЯ МЕТОДИКИ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ,

ИСПОЛЬЗУЮЩЕЙ НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ И АЛГОРИТМ

КОНКУРЕНЦИИ ГИПОТЕЗ.

2.5. ВЫВОДЫ.

ГЛАВА 3. МЕТОДИКА РЕШЕНИЯ ЗАДАЧИ АБДУКЦИИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ ХОПФИЛДА.

3.1. ВЫБОР НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ АБДУКЦИИ.

3.2. РАЦИОНАЛЬНОСТЬ ИСПОЛЬЗОВАНИЯ НЕЙРОННОЙ СЕТИ ХОПФИЛДА ДЛЯ РЕШЕНИЯ ЗАДАЧИ АБДУКЦИИ.

3.3. ПОСТАНОВКА И ОСОБЕННОСТИ ЗАДАЧИ НАХОЖДЕНИЯ РАЦИОНАЛЬНОГО РЕШЕНИЯ АБДУКЦИИ.

3.3.1. Общая постановка задачи абдукции и ее особенности.

3.3.2. Постановка задачи нахооюдения рационального решения при абдуктивном выводе.

3.4. МЕТОДИКА НАХОЖДЕНИЯ РАЦИОНАЛЬНОГО РЕШЕНИЯ АБДУКЦИИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ ХОПФИЛДА.

3.5. АПРОБАЦИЯ МЕТОДИКИ НАХОЖДЕНИЯ РАЦИОНАЛЬНОГО РЕШЕНИЯ ПРИ ДИАГНОСТИКЕ ТЕХНИЧЕСКИХ СИСТЕМ С , ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

3.6. ВЫВОДЫ.

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ.

4.1. ТРЕБОВАНИЯ К АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ ДИАГНОСТИКИ.

4.2. ВЫБОР СРЕДСТВА РЕАЛИЗАЦИИ СИСТЕМЫ ДИАГНОСТИКИ.

4.3. СТРУКТУРА СИСТЕМЫ ДИАГНОСТИКИ.

4.4. ВОЗМОЖНОСТИ СИСТЕМЫ ДИАГНОСТИКИ.

4.5. ОЦЕНКА АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ ДИАГНОСТИКИ.

4.6. ВЫВОДЫ.

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы интеллектуальной поддержки принятия решений в задачах выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении»

Актуальность работы.

В настоящее время компьютерные технологии используются практически во всех областях человеческой деятельности. С их помощью строятся модели предметных областей для решения задач, таких как управление, поддержка принятия решений и т.д. При этом выделяют класс трудно формализуемых предметных областей, которые используются, в частности, для решения задач при наличии неполной информации. Алгоритмов решения подобных задач очень мало. В связи с этим актуальной является разработка методов и алгоритмов решения задач с неполной информацией.

Кроме того, актуальность задачи разработки методов и алгоритмов интеллектуальной поддержки принятия решений в задачах выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении, не вызывает сомнения, т.к. данная тематика соответствует утвержденному Президентом Российской Федерации приоритетным направлениям развития науки, техники и критических технологий Российской Федерации, и в частности развития информационно-телекоммуникационных систем и разработки интеллектуальных систем управления.

Для решения поставленной задачи в данной работе рассматривалась задача выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

Техническая диагностика представляет теорию, методы и средства обнаружения и поиска дефектов объектов технической природы. Ее основное назначение состоит в повышении надежности объектов на этапе их производства, эксплуатации и хранения. Поэтому, актуальность рассмотрения именно области машиностроения не вызывает сомнений, т.к. для повышения экономической составляющей любого производства является важным обеспечение качества и надежности производимой продукции.

При разработке систем диагностики должны решаться задачи изучения объекта (технической системы), его возможных дефектов и признаков проявления, выбора или неисправных модификаций.

Для того, чтобы работа данной системы была рациональной с точки зрения использования и обслуживания, необходимо сделать ее максимально независимой от человека. В этом случае встает вопрос о создании автоматизированной системы диагностики и принятия решений. Для этого целесообразно использовать систему с искусственным интеллектом. Предполагается, что данная система подобно человеку будет способна к обучению - решению задач. В связи с этим, можно предположить, что в качестве системы диагностики технических систем, используемых в машиностроении, возможно использование автоматизированной системы обучения, т.к. она полностью соответствует предъявляемым к системе диагностики требованиям.

При использовании логических подходов в качестве программного средства диагностики, часть знаний должна использоваться для рассуждений, обеспечивающих объяснения выведенных заключений. Но традиционная логика имеет свои ограничения, особенно в условиях неполной или неопределенной информации. В этом случае решением задачи становится выявление и установление причинно-следственных связей. В подобных ситуациях применение таких логических выводов, как индуктивные, дедуктивные и выводы по аналогии, невозможно, т.к. для своей работы они требуют наличия всей информации о диагностируемой системе. Поэтому, при решении задачи выявления и установления причинно-следственных связей, следует использовать абдуктивный вывод для объяснения наблюдаемых (или установленных) фактов.

Практическая значимость систем абдуктивного вывода следует из многочисленных задач принятия решений, когда при некотором множестве фактов и соответствующего правила, получен результат — следствие. При этом множество фактов, вызвавших это следствие, неизвестно или ставится под сомнение.

В работах Вагина В.Н., Ашинянца Р.А., A.Kakas были сформулированы определение и теоретические основы абдуктивного вывода: поставлена задача абдуктивного вывода, определены пути ее решения, но нет практической реализации данной теории. Фактически не исследовано применение абдуктивного вывода к задачам технической диагностики в условиях неполной информации.

В связи с этим, актуальной является задача построения модели принятия обоснованного решения. Результатом работы данных алгоритмов является выявление причинно-следственных связей технической системы, возникающих в процессе ее работы (действия).

Целью диссертационной работы является разработка и исследование методик и алгоритмов принятия решений для выявления причинно-следственных связей при неработоспособном состоянии технических систем, используемых в машиностроении.

Основные задачи исследования

1. Анализ задачи диагностики технических систем, используемых в машиностроении, и существующих методов обучения систем.

2. Определение стратегий, способных решать задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

3. Доказательство возможности и целесообразности использования нейронных сетей для реализации алгоритма абдуктивного вывода.

4. Разработка методики нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующей алгоритм нейронной сети Хопфилда.

5. Решение практических задач с использованием предлагаемой методики нахождения рационального решения задачи абдукции при выявлении причинно-следственных связей и диагностике технических систем, используемых в машиностроении.

Методы исследования

Для решения поставленной задачи в работе использовались методы математической логики, теории множеств, искусственного интеллекта, логического программирования, нейронных сетей.

Научная новизна работы заключается в следующем.

1. Для задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении, разработана методика принятия решения в условиях неопределенности.

2. Доказана рациональность использования нейронных сетей при решении задач выявления причинно-следственных связей и диагностики с точки зрения скорости работы и способности к самообучению.

3. Определены методы выявления причинно-следственных связей и алгоритмы принятия обоснованного решения при использовании нейронных сетей.

4. Поставлена и решена задача рационализации абдуктивного вывода, выделяющая наилучшее по ряду параметров решение.

5. Разработана методика нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующая алгоритм нейронной сети Хопфилда.

Практическая значимость работы заключается в возможности реализации предложенных алгоритмов в виде интеллектуальных систем самообучения.

Предложенная в диссертации программная реализация создана для решения задач диагностики технических систем, используемых в машиностроении. Данная программа позволяет устанавливать причинно-следственные связи, определяющие отношения объектов, выводить рациональные решения в виде причинных гипотез и формировать поясняющие тексты, что используется в системах, требующих построения объяснений в режиме реального времени.

Достоверность результатов работы подтверждается:

1) экспериментальными исследованиями;

2) актами об использовании полученных автором результатов в МГУПИ, КБ«ЭлектронСистема» и ФГУП «ММПП «Салют».

Апробация работы

Основные положения и результаты диссертационной работы докладывались и обсуждались на кафедре «АСОИУ» Московского государственного университета приборостроения и информатики, Международной научно-технической конференции «Информационные технологии в науке, технике и образовании» (Сусс-Хургада-Москва, 2006), Международной научно-практической конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2007), Международной научно-практической конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2008).

Публикации

По теме диссертации опубликовано 7 научных работ, в том числе 2 в журналах, входящих в перечень ВАК Минобрнауки, оформлено свидетельство о государственной регистрации программ для ЭВМ.

Объем и структура работы

Диссертация состоит из введения, четырех глав, заключения, списка литературы из 138 наименований и 5 приложений, общим объемом 149 печатных страниц текста. В работе содержится 17 рисунков и 5 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Бурлаченко, Татьяна Борисовна

4.6. ВЫВОДЫ

В четвертой главе представлено описание программной реализации системы диагностики технических систем, используемых в машиностроении. Разработанный программный комплекс устанавливает причинно-следственные связи и формулирует в качестве решения возможные причины рассматриваемого неисправного состояния технической системы.

Обоснован выбор языка программирования, реализующего представленную в диссертационной работе методику решения задачи диагностики неисправного технического состояния системы. Описаны структура и возможности разработанной системы диагностики, которая основана на алгоритмах абдукгивного вывода, нахождения рационального решения абдукции, нейронной сети Хопфилда и реализована на языке программирования Java.

Проведена оценка качества предложенной в диссертации программной системы путем сравнительного анализа двух видов реализации абдукгивного вывода:

1) с помощью логического языка программирования Пролог.

2) с помощью алгоритма работы нейронной сети Хопфилда в сочетании с языком программирования Java.

Доказана рациональность разработанного в настоящей работе программного комплекса.

Предложенная в настоящей диссертационной работе методика выявления причинно-следственных связей легла в основу разработанной автоматизированной системы диагностики технических систем, используемых в машиностроении, которая прошла успешные испытания и внедрена в МГУПИ, КБ «ЭлектронСистема» и ФГУП «ММПП «Салют», что подтверждается актами о внедрении (Приложение Б), (Приложение В), (Приложения Г).

ЗАКЛЮЧЕНИЕ

Обобщая результаты проведенных в настоящей диссертации исследований, можно выделить следующее решенные в работе задачи.

1. В процессе выполнения диссертационного исследования проведён анализ задачи диагностики технических систем, используемых в машиностроении. Показано, что для создания системы диагностики возможно использование теории автоматизированного обучения систем. Обзор существующих стратегий позволил выделить две методики, способные решать задачи выявления причинно-следственных связей и диагностики технических систем при неполной входной информации. Это формальный концептуальный анализ и абдуктивный вывод. При решении конкретных практических задач диагностики технических систем выявлены значительные недостатки алгоритма формального концептуального анализа, в связи с чем, дальнейшее его рассмотрение перестало быть актуальным.

2. На основе исследований теоретической базы абдуктивного вывода в работе доказана возможность использования данного алгоритма для решения поставленной в диссертации задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

3. Для решения задачи абдукции предложено использовать нейронную структуру. Представление в работе практических примеров позволило убедиться в возможности использования нейросети в процессе принятия решений. Доказано, что использование нейронных сетей является рациональным при решении задач выявления причинно-следственных связей и диагностики с точки зрения скорости работы и способности к самообучению (это позволяет свести к минимуму субъективность при принятии решений).

4. Выделен класс задач, при решении которых актуальным является определение рационального решения. Формализация задачи нахождения рационального решения абдуктивного вывода определена свойством минимальности входящих в решение компонент. На основе данной теории разработана методика нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующая алгоритм нейронной сети Хопфилда. В работе также представлена апробация данной методики.

5. Создана программная реализация решения задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении. В ее основу легли алгоритмы абдуктивного вывода, нахождения рационального решения абдукции и нейронной сети Хопфилда. Данный программный комплекс позволяет автоматизировать процесс диагностики технических систем, используемых в машиностроении, подготовки специалистов на предприятиях, а так же вести оперативное консультирование по вопросам принятия обоснованного решения в условиях реального времени.

Список литературы диссертационного исследования кандидат технических наук Бурлаченко, Татьяна Борисовна, 2009 год

1. Ашинянц Р.А. Логические методы в искусственном интеллекте. - М.: МГАПИ, 2001.

2. Ашинянц Р.А. Стратегии логических методов обучения и концептуальной классификации // Информационные технологии в проектировании и производстве. Москва, №3, 1997. - с. 22-40.

3. Ашинянц М.Р., Ашинянц Р.А. Аналитическое, ассоциативное, генетическое обучение новейшие стратегии обучения // Информационные технологии в проектировании и производстве. -Москва, №2, 1997.-е. 49-58.

4. Башлыков А.А., Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике. / Под ред. А.Ф. Дьякова М.: МЭИ, 1994.

5. Биркгоф Г. Теория решеток. М.: Наука, 1984. - 337 с.

6. Боголюбов Д.П., Гришкина М.П. Разработка учебных интеллектуальных систем, основанных на логических моделях обучения // В кн. «Новые информационные технологии». Тезисы докладов V Международной студенческой школы-семинара. -М.: МГИЭМ, 1997.

7. Боголюбов Д.П., Гришкина М.П. Учебные интеллектуальные системы, основанные на логических моделях обучения // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. Тезисы докладов. -М.: МГИЭМ, 1997.

8. Большая Советская энциклопедия: В 62 томах. Т. 14. М.: Терра, 2006. -592с.

9. Бурлаченко Т.Б., Морозова Т.Ю. Модели прогнозирования, сравнение, области применения // Математическое моделирование и управление в сложных системах: Межвузовский сборник научных трудов / Под общ. ред. А. П. Хныкина. М.: МГУПИ, 2006. - с. 20-24.

10. Бурлаченко Т.Б., Морозова Т.Ю. Модель нейрона, находящегося под действием шума // Вестник МГУПИ. №9. Технические и естественные науки. М., 2007. - с. 45-50.

11. Бурлаченко Т.Б., Морозова Т.Ю. Нейросетевая оптимизация абдуктивных выводов в задачах диагностики технических систем // Мехатроника, Автоматизация, Управление. №8. -М., 2008. с. 19-23.

12. Бурлаченко Т.Б., Морозова Т.Ю., Петров О.М. Использование нейронной сети Хопфилда для задачи абдукции // Наукоемкие технологии. №7. Том 9. -М.: Радиотехника, 2008. с. 5-10.

13. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.Б. Достоверный и правдоподобный вывод в интеллектуальных системах. — М.: Физматлит, 2004.

14. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени. // Известия РАН. Теория и системы управления, 2001. — №6.

15. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник. СПб, Изд-во «Питер», 2000. -382с.

16. ГОСТ 20911-89. Техническая диагностика. Основные термины и определения. — М.: Изд-во стандартов, 1989.

17. Гребень И.И., Довгялло A.M. Автоматические устройства для обучения (обучающие машины). Киев: Изд-во Киев. Ун-та, 1965.

18. Гришкина М.П. Обучение на примерах: концептуальная классификация // В кн. "Электроника и информатика XXI век". Третья Международная научно-техническая конференция. Тезисы докладов. - М.: МИЭТ, 2000.

19. Гришкина М.П. Эмпирическое обучение по примерам. Система INDUCT. // В кн. «Новые информационные технологии». Тезисы докладов V Международной студенческой школы-семинара. -М.: МГИЭМ, 1997.

20. Гришкина М.П. Обучение на примерах: концептуальная классификация // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. М.: МГИЭМ, 2001.

21. Гришкина М.П. Система ABDUCT как реализация модели обучения на объяснениях // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. Тезисы докладов. М.: МГИЭМ, 1999.

22. Дюк В., Самойленко A. Data mining. СПб, Питер, 2001. - 505с.

23. Еремеев А.П. Интегрированная модель представления знаний для системы поддержки принятия решений семиотического типа. // Труды Восьмой национальной конференции по искусственному интеллекту с международным участием (КИИ-2002). — М.: Физматлит. -Т.2

24. Кнут Д.Э. Искусство программирования, Том 3. Сортировка и поиск. — М.: Вильяме, 2007. 822с.

25. Короткий С. Нейронные сети: алгоритм обратного распространения. (http://www.orc.ru/~stasson/neurox.html)

26. Короткий С. Нейронные сети: обучение без учителя.http://www.orc.ru/~stasson/neurox.html)

27. Крылов Е.В., Острейковский В.А., Типикин Н.Г. Техника разработки программ. В 2-х кн. Книга 1. М.: Высшая школа, 2007. - 375с.

28. Кулик Б.А. Логика естественных рассуждений. СПб.: Невский диалект, 2001.

29. Левитин А. В. Алгоритмы. Введение в разработку и анализ. — М.: Вильяме, 2006. — 576с.

30. Липаев В.В. Методы обеспечения качества крупномасштабных программных средств. -М.: СИНТЕГ, 2003.

31. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание. Пер. с англ. М.: Издательский дом "Вильяме", 2005.

32. Маркова Н.А. Качество программы и его измерения // Системы и средства информатики. Вып. 12. -М.: Наука, 2002.

33. Машиностроение: Энциклопедия. В 40 томах. Т. III-7. Измерения. Контроль, испытания и диагностика. / Под ред. В.В. Клюева. М.: «Машиностроение», 1996.

34. Нариньяни А.С. НЕ-факторы // Девятая национальная конференция по искусственному интеллекту с международным участием "КИИ-2004". Труды конференции. — М.: Физматлит, 2004. Т.1. - с. 420-432.

35. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985.

36. Новейший философский словарьhttp://www.slovopedia.eom/6/192/770134.htm)

37. Петрушин В.А. Экспертно-обучающие системы. Киев: Наук, думка, 1992.

38. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. -М.: Наука, 1987.

39. Столяров JI.M. Обучение с помощью машин. М.: Мир, 1965.

40. Тейз А. и др. Логический подход к искусственному интеллекту. Т.1.— М.: Мир, 1990.

41. Толковый словарь по искусственному интеллекту / Авторы-составители

42. A.Н. Аверкин, М.Г. Гаазе-Рапопорт, Д.А. Поспелов. М.: Радио и связь, 1992.-256с.

43. Ульянов М.В. Классификация и методы сравнительного анализа вычислительных алгоритмов. -М.: Издательство Физико-математической литературы, 2004.

44. Финн В.К. Интеллектуальные системы и общество. М.: РГГУ, 2001.

45. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. — М.: Наука, 1991.-е. 157177.

46. Финн В.К. Философские проблемы логики интеллектуальных систем // Новости искусственного интеллекта. 1999. - №1. - с. 36-51.

47. Хоггер К. Введение в логическое программирование- М.: Финансы и статистика.

48. Целищев B.C. Алгоритмическое проектирование и оценивание систем на основе аналогового моделирования : Автореф. дис.' . кандидата технических наук. М., 2003.

49. Юрчук В.В. Современный словарь по психологии / Авт. сост.

50. B.В.Юрчук. Мн.: Элайда, 2000. - 704с.

51. Abdelbar A., El-Hemaly М., Andrews Е., and Wunsch II D. Recurrent neural networks with backtrack-points and negative reinforcement applied to cost-based abduction // Neural Networks, 18(5-6), pp. 755-764, 2005.

52. Ayeb В., Wang S. and Ge J. A Unified Model for Abduction-Based Reasoning // IEEE Transaction on Systems, Man and Cybernetics Part A: Systems and Humans, Vol 28, No. 4, July 1998.

53. Bennet R. ROGET: a knowlege-based system acquiring the conceptual structure of a diagnostic expert system // Journal of Automated Reasoning, vol. 1, pp. 49-74, 1985.

54. Buchman A., Mitchell T. Model-directed learning priductio rules // Pattern-Firected Inference Systems, Academic Press, pp. 297-312, 1978.

55. Burstein M. Incremental learning from multiple analogis. Analogica. Pitman, London, pp. 37-62, 1988.

56. Bylander Т., Allemang D., Tanner M. and Josephon J. The Computational Complexity of Abduction // Artificial Intelligence, vol. 49, pp. 25-60, 1991.

57. Carbonell J. (publisher). Special volume on machine learning // Artificial Intelligence, vol. 40, 1989.

58. Carbonell J. Learning by analogy: formulating and generalising plans from past experience // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 137-161,1984.

59. Carpenter G. and Grossberg S. The ART of Adaptive Pattern Recognition by a Self-Organizing Neural Network // IEEE Computer, 21(3): pp.77-88, March 1988.

60. Castro, J.L.; Mantas, C.J.; Benitez, J.M. Interpretation of artificial neural networks by means of fuzzy rules // IEEE Transactions on Neural Networks, Volume: 13 Issue: 1, pp. 101 -116, Jan. 2002.

61. Chandrasekaran B. and Goel A. From Numbers to Symbols to Knowledge Structures: Artificial Intelligence Perspectives on the Classification Task // IEEE Transactions on Systems, Man, and Cybernetics, 18(3): pp.415-424, May/June, 1988.

62. Chandrasekaran В., Goel A. and Allemang D. Connectionism and Information Processing Abstractions: The Message Still Counts More Than the Medium // AI Magazine,Winter, pp. 24-34, 1988.

63. Christodoulou C. and Georgiopoulos M. Applications of Neural Networks in Electromagnetics. Boston: Artech House, 2001.

64. Coursewriter III Version 3. Authors Guide. Program Product SH200-I009-I., 1973.

65. Davies Т., Russel S. A logical reasoning by analogy // Proc. IJCAI, pp. 264270, 1987.

66. Eshghi K. and Kowalski R.A. Abduction compared with negation by failure // Proceedings of the 6th International Conference on Logic Programming, eds., G. Levi and M. Martelli, pp. 234-254. MIT Press, 1989.

67. Esposito F., Semeraro G., Fanizzi N. and Ferilli S. Multistrategy Theory Revision: Induction and Abduction in INTHELEX // Machine Learning, 38(1/2), pp. 133-156, 2000.

68. Falkenhainer B. An examination in the third stage in the analogy process: verification-based analogical learning//Proc. IJCAI, pp. 260-263, 1987.

69. Feigenbaum E., Simon H. EPAM-like models of recognition and learning // IEEE Transactions on Software Engineering, vol. 8, pp. 305-336, 1984.

70. Feldman J., Fanty M., Goddard N. and Lynne K. Computing with Structured Connectionist Networks // Communications of ACM 31(2): pp.170-187, February 1988.

71. Fischer O., Goel A., Svirbely J. and Smith J. The Role of Essential Explanations in Abduction // Artificial Intelligence in Medicine, 3: pp. 181191, Amsterdam, Netherlands: Elsevier, 1991.

72. Fisher D. Knowelege acquition via incremental conceptual clastering. Vol. 2, pp. 139-172, 1987.

73. Flann N., Dietterich T. Selecting appropriate representations for learning from examples //Proc. AAAI 1986, pp. 460-466, 1986.

74. Fraser N. BrainBox Neural Network Simulator (v. 1.8), 2006. Athttp://neil.fraser.name/software/brainbox/.

75. Ganter В., Wille R. Formale concept analysis: mathematical foundatioun. Springer Verlag, New York, 1997.

76. Garcez A. d'Avila, Broda K. and Gabbay D. Neural-Symbolic Learning Systems: Foundations and Applications // Perspectives in Neural Computing, Springer, 2002.

77. Genesereth M., Nilsson N. Logical Foundations of Artificial Intelligence, Morgam Kaufmann. Los Altos, 1987.

78. Goel A. and Bylander T. Computational Feasibility of Structured Matching // IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(12): pp. 1312-1316, December 1989.

79. Goel A. and Montgomery G. What is Abductive Reasoning // Neural Network Review, 3(4): pp. 181-187, Hillsdale, NJ: Lawrence Erlbaum Publishers, June 1990.

80. Goel A. and Ramanujam J. A Neural Architecture for a Class of Abduction Problems // IEEE Transactions on Systems, Man and Cybernetics, 26(6), pp. 854-860, 1996.

81. Goel A., Ramanujam J. and Sadayappan P. Towards a Neural Architecture for Abductive Reasoning // Proc. Second IEEE International Conference on Neural Networks, San Diego, CA, Vol. II, pp. 681-688, July 1988.

82. Goel A., Sadayappan P. and Josephson J. Concurrent Synthesis of Composite Explanatory Hypotheses // Proc. Proc. 17th International Conference on Parallel Processing, Vol. Ill, pp. 156-160, August 1988.

83. Goel A., Soundararajan N. and Chandrasekaran B. Complexity in Classificatory Reasoning // Proceedings of the Sixth National Conference on Artificial Intelligence, Seattle, Washington, pp. 421-425, July 1987.

84. Haas N., Henderix G. Learning by being told: acquiring knowlege for information management // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 405-4281, 1984.

85. Hall R. Computational Approaches to analogical reasoning: a comparative analysis // Artificial Intelligence, vol. 39, pp. 343-372, 1989.

86. Hollbler S. and Kalinke Y. Towards a massively parallel computational model for logic programming // Proceedings ECAI94 Workshop on Combining Symbolic and Connectionist Processing, pp. 68-77, 1994.

87. Honavar V. Artificial Intelligence and Neural Networks: Steps Toward Principled Integration, Boston Academic Press, 1994.

88. Hophield J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities // Proceedings of the National Academy of Sciences, USA 79: pp. 2554-2558, 1982.

89. Hopfield J. Neurons with Graded Response have Collective Computational Properties like those of Two-State Neurons // Proceedings of the National Academy of Sciences, USA 81: pp. 3088-3092, 1984.

90. Hopfield J. and Tank D. Neural Computation of Decisions in Optimization Problems. Biological Cybernetics, 52: pp. 141-152, 1985.

91. Jackson P. Introduction to Expert System. Addison-Wesley, Reading, 1986.

92. Josephson J., Chandrasekaran В., Smith J. and Tanner M. A Mechanism for Forming Composite Explanatory Hypotheses // IEEE Transactions on Systems, Man, and Cybernetics, SMC-17(3): pp. 445-454, May/June 1987.

93. Josephson J. and Goel A. Practical Abduction, in Abduction: Computation, Philosophy, and Technology, J. Josephson and S. Josephson (editors), New York: Cambridge University Press, in press.

94. Kahn G., Nowlan S., McDermott J. MORE: an intelligent knowlege acquisition tool // Рос. IJCAI1985, pp. 581-584, 1985.

95. Kakas A.C., Kowalski R.A. and Toni F. Abductive Logic Programming // Journal of Logic and Computation, 2(6), pp. 719-770, 1992.

96. Kakas A.C. and Mancarella P. Generalized Stable Models: a Semantics for Abduction // Proceedings of the 9th European Conference on Artificial Intelligence, pp. 385-391. Pitman, 1990.

97. Kakas A.C. and Riguzzi F. Abductive concept learning // New Generation Computing, 18(3), pp. 243-294, 2000.

98. Keller R. Definig operationally for explanation-based learning // Artificial Intelligence, vol. 35, pp. 227-241, 1988.

99. Kolen J. and Goel A. Learning in Parallel Distributed Processing: Computational Complexity and Information Content // IEEE Transactions on Man, Systems, and Cybernetics, 21(2): pp. 359-367, March/April 1991.

100. Lebowitz M. Experiments with incremental concept formation: UNINEM, Machine Learning, vol. 2, pp. 103-138, 1987.

101. Lima P. Logical Abduction and Prediction of Unit Clauses in Symmetric Hopfield Networks // Artificial Neural Networks, 2, eds., I. Aleksander and J. Taylor, volume 1, pp. 721-725. Elsevier, 1992.

102. McDermott J. Learning to use analogies // Рос. IJCAI1979, pp. 568-576, 1979.

103. Mead C. Analog VLSI and Neural Systems. Addison-Wesley, Reading, MA, 1989.

104. Medina J., M'erida-Casermeiro E. and Ojeda-Aciego M. A neural approach to abductive multiadjoint reasoning. 2002.

105. Michalski R. A theory and methodology of inductive learning // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp.83-134, 1984.

106. Michalski R., Stepp R. Learning from observation: conceptual clastering // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp.331-64, 1984.

107. Mitchell T.M. Generalisation as search // Artificial Intelligence, vol. 18, pp. 203-226, 1982.

108. Mitchell T.M. Version spaces: a candidate elimination. Approach to rule learning//Рос. IJCAI1977, vol. 1, pp. 305-310, 1977.

109. Mostow J. Design by derivational analogy // Artificial Intelligence, vol.40, 1989.

110. Mostow J. Searching for operational description in BAR, MetaLEX and EBG // Proc. 4th Intl. Workshop on Machine Learning, Morgan Kaufmann, pp. 376382, 1987.

111. Peng Y. and Reggia J. A Connectionist Model for Diagnostic Problem Solving // IEEE Trans. Systems Man and Cybernetics, 19: pp. 285-289, 1989.

112. Poole D., Mackworth A. and Goebel R. Computational Intelligence: A Logical Approach. Oxford University Press, pp 319-343, 1998.

113. Pople H. On the Mechanization of Abductive Logic // Proc. Third International Joint Conference on Artificial Intelligence, Stanford, С A, pp.147-152, 1973.

114. Pople H. The Formation of Composite Hypotheses in Diagnostic Problem Solving: An Exercise in Synthetic Reasoning // Proceedings of the Fifth International Joint Conference in Artificial Intelligence, Cambridge MA, pp. 1030-1037, August 1977.

115. Pressy S. A simple apparatus which given tests and scores and teaches // School and Society, № 3, 1926.

116. Quinlan J. Induction of decision trees // Machine Learning, vol. 1, pp. 81-106, 1986.

117. Ray O. Hybrid Abductive-Inductive Learning. Ph.D. dissertation, Department of Computing, Imperial College London, UK, 2005.

118. Ray O. BrainBox Neural Network Abduction Demo Files. 2006. Athttp://www.doc.ic.ac.uk/or/neural/abduction/demo.

119. Ray O. and Kakas A. ProLogICA: a practical system for Abductive Logic Programming // Proceedings of the 11th International Workshop on Nonmonotonic Reasoning, 2006.

120. Reggia J., Peng Y. and Tuhrim S. A Connectionist Approach to Diagnostic Problem-Solving Using Causal Networks // Information Sciences, 70, pp. 2748, 1993.

121. Rendell R., Seshu R. Tcheng D. More robust concept learning using dynamically variable bias // Proc. 4th Intl. Workshop on Machine Learning, Irvin (CA), pp. 66-78, 1987.

122. Rich C., Waters R., Rubinstein H. Toward a requirements apprentice // Proc IWSSD-4 (4-th Workshop Specification and Design), Monterey (CA) IEEE RH0181, pp. 79-86, 1986.

123. Rumelhart D., McClelland J. and the PDP Research Group, Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Volume 1, The MIT Press, Cambridge, MA, 1986.

124. Sejnowski T. Higher-Order Boltzmann Machines, in Neural Networks for Computing // AIP Conference Proceedings No. 151, pp. 398-403, 1986.

125. Simons P., Niemel'a I. and Soininen T. Extending and implementing the stable model semantics // Artificial Intelligece, 138(1-2), pp. 181-234, 2002.

126. Swartout W. XPLAN: A system for creating and explaining expert consulting programs // Artificial Intelligence, vol. 21, pp. 285-325, 1983.

127. Tank D. and Hopfield J. Simple Neural Optimization Networks: An A/D Converter, Signal Decision Circuit, and a Linear Programming Circuit // IEEE Transactions on Circuits and Systems, CAS-33(5): pp. 533-541, May 1986.

128. Thagard P. Explanatory Coherence // Brain and Behavioral Sciences, 12: pp. 435-502, 1989.

129. Towell G. and Shavlik J. Knowledge-based artificial neural networks // Artificial Intelligence, 70(1-2), pp. 119-165, 1994.

130. Wang S. and Ayeb B. Diagnosis: Hypothetical Reasoning With A Competition-Based Neural Architecture // Proc. International Joint Conference on Neural Networks, Volume I, pp. 7-12, Baltimore, 1992.

131. White J. A decision tool for assisting with the comprehension of large software systems // Automated Tools for Information Systems Design, pp. 49-64, North Holland, Amsterdam, 1982.

132. Winston P. Learning new principles from precedents and exercises // Artificial Intelligence, vol. 19, pp. 321-350, 1982.

133. Winston P. Learning structural descriptions from examples // The Psychology of Computer Vision, McGraw-Hill, New York, 1975.

134. Zhang С. and Xu Y. A Neural Network Model for Diagnostic Problem Solving with Causal Chaining // Neural Networks and Advanced Control Strategies, 54, pp. 87-92, 1999.

135. A Connectionist Model for Diagnostic Problem Solving: Part II // IEEE Transaction on Systems, Man and Cybernetics., Vol.19, pp. 285-289, 1989.